相关实验视频
Updated: May 11, 2026
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
22.2K
使用OCTA图像进行自动FAZ细分和糖尿病视网膜病变的分类
Jamshid Saeidian1, Hamid Riazi-Esfahani2, Hossein Azimi1
1Faculty of Mathematical Sciences and Computer, Kharazmi University, No. 50, Taleghani Avenue, Tehran, Iran.
BMC ophthalmology
|October 29, 2025
概括
这项研究开发了一种自动化的深度学习框架,用于在OCTA图像中对状血管区 (FAZ) 进行细分,并对糖尿病视网膜病变 (DR) 进行分类. 该系统在细分和DR分类方面实现了高精度,为早期诊断提供了有前途的工具.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 糖尿病视网膜病变 (DR) 诊断依赖于识别状血管区 (FAZ) 的变化,这是一个关键的生物标志物.
- 精确的FAZ细分在光学相干断层扫描血管图像 (OCTA) 中对于DR评估至关重要.
研究的目的:
- 开发和评估使用OCTA图像进行FAZ细分和DR分类的自动化深度学习框架.
- 探索使用深度学习用于早期和准确的DR诊断的可行性.
主要方法:
- 采用了两步深度学习管道,集成DeepLabv3+,EfficientNetB0,SE块和ASPP用于FAZ细分.
- 基于GoogleLeNet的CNN被用来根据细分的FAZ图像对DR阶段 (正常,NPDR,PDR) 进行分类.
- 应用数据增强和SMOTE来提高分类性能,使用5倍交叉验证.
主要成果:
- FAZ细分网络实现了高达97.5%的子相似系数 (DSC).
- 该分类模型显示,对二进制 (正常与DR) 的AUC为100%,对三类 (正常,NPDR,PDR) 的AUC为87%.
- 该数据集包括来自161名参与者的253个OCTA扫描,这些参与者患有不同阶段的DR.
结论:
- 开发的自动化框架显示出作为临床医生辅助工具的巨大潜力.
- 这种系统可以从OCTA成像中更早,更准确地诊断糖尿病视网膜病变.
- 将其整合到临床工作流中可以通过及时检测DR来改善患者的治疗结果.
关键词:
分类 分类 分类 分类.深度学习是一种深度学习.糖尿病视网膜病变 - 糖尿病视网膜病变的非血管区 (Foveal AVASCULAR ZONE) 是一个图像细分 图像细分 图像细分八国合作组织 (OCTA)
